- Do Finetti：对可交换数据的因果效应研究
在非独立同分布数据的情景中，我们研究因果效应的估计，重点关注满足独立因果机制假设的可交换数据。为了弥补现有因果效应估计框架的不足，我们开发了针对可交换数据的广义框架，并引入了截断因式分解公式，以促进在我们的情景中对因果效应的识别和估计。为了 - 级联式随机化在扩散干扰下推断因果效应
通过利用干预结构减小干扰和限制级联增长，我们提出了基于级联的网络实验设计框架，用于估计网络数据中的因果效应。
- ICML基于目标学习的网络干扰下的双重稳健因果效应估计
利用神经网络适应目标学习技术提出的一种新的网络干扰下的双重稳健因果效应估计器，通过将理论条件转化为有针对性的损失函数，保证了估计器的双重稳健性，并通过理论分析揭示了与单一干扰模型相比更快的收敛速度。通过对两个现实世界网络上的半合成数据进行广 - COLING基于 Transformer 的 NLI 模型中的自然逻辑特征因果效应估计
利用因果效应估计策略衡量上下文干预和插入词对于推理标签的影响，通过广泛的干预研究验证模型对不相关变化的稳健性和对有影响变化的敏感性。
- C-XGBoost：一种用于因果效应估计的树提升模型
提出了一种名为 C-XGBoost 的新因果推断模型，用于预测潜在结果，并使用树模型处理表格数据以及神经网络模型学习表征，同时具备 XGBoost 模型的优势，如处理缺失值和避免过拟合 / 偏差的能力。实验结果证明了该方法的有效性。
- 从高维代理变量中恢复潜在混淆因素
从代理变量中检测潜在混淆因素是因果效应估计中的一个重要问题。我们提出了一种新颖的代理混淆因子分解（PCF）框架，用于处理通过高维、混合型代理变量表现出来的连续处理效应估计。
- 跨数据源解缠估计因果效应
通过介绍一种创新的解耦架构，该论文旨在解决各方之间因数据特征分布导致的信息交流障碍，以提高因果效应估计的准确性。该方法通过组合共享和私有分支并引入全局约束来促进模型参数的无缝跨领域传输，并有效减轻各个缺失域中的偏差，实验表明其优于最先进的基 - 结构化神经网络用于密度估计和因果推断
通过在神经网络中引入结构，StrNN 通过遮蔽路径在神经网络中注入结构，利用结构化神经网络可以实现数据高效生成建模和因果效应估计的流动性。
- 确定性混淆的核心单代理控制
我们提出了两种基于核方法的因果效果估计方法，针对存在未观测混淆变量的情况下，利用单个代理变量可以一致性地估计因果效果，并在合成数据集上进行实证验证。
- 探究图形中交错治疗的因果效应：研究接触对 MRSA 感染的影响
本文提出了一种新方法 NEAT，该方法针对有图结构的治疗效果干扰问题，通过建模治疗分配机制，减轻混杂偏差，并将该方法扩展到处理时变观测数据。
- 运行时域损坏下的变分反事实预测
本文介绍了一种新的方法，通过领域适应和对抗域适应来对付运行时域损坏，提高反事实预测器的泛化性能。我们的 VEGAN 模型在标准数据集上表现优异，达到了个体水平的治疗效果估计。
- ICML弱交互作用条件下的近似因果效应识别
本文分析了 “弱混淆” 的因果估计结果，提出了一种有效的线性规划方法来确定因果效应的上下界，并展示了与现有方法相比更紧密的界限，这些方法不能纳入熵限制。
- KDD学习条件工具变量表示以进行因果效应估计
利用分离表示学习的优势，提出了一种名为 DVAE.CIV 的新方法，用于从具有潜在混淆因素的数据中学习和分离 CIV 和其条件集的表示，并进行因果效应估计。对合成和真实世界数据集的广泛实验结果表明，与现有的因果效应估计方法相比，所提出的 D - 通过矩阵加权线性估计器从观测和干预数据中估计因果效应
本文探讨了在混杂线性回归模型和多元治疗中从混合的观测和干预数据中估计因果效应，并展示了通过结合来自观测和干预设置的估计器可以提高统计效率。
- 我们随着时间变得更明智吗？关于分层背景知识因果等价性的研究
使用分层背景知识建立的 MPDAG 限制了 DAG 的等价类，简化了因果效应估计中的计算，同时提高了信息量。
- 转移因果学习：具有知识传输的因果效应估计
使用 $\ell_1$ 正则化的迁移学习方法，可用于同质的情况下提高因果效应估计的准确性，可使用广义线性模型和神经网络得到性能提高
- 在线机器学习实验中的常见误解
本文讨论了机器学习模型在线实验所面临的问题，指出常用的 A/B-tests 并不能保证无偏估计。因此，文章提出了对从事此领域的从业人员和研究人员的影响及解决方案。
- 将预测模型与因果效应估计相结合
本文探讨了如何通过建立因果推断模型来估算特征对结果的因果影响，从而实现个性化决策制定。同时，本文还研究了当该模型满足特定条件时，它可以像最先进的因果效应估计方法一样准确地估计特征的因果效应，呈现出良好的健壮性和可解释性。
- AAAI持续因果效应估计：挑战与机遇
在大数据时代，处于生态经济学、医疗保健、网络挖掘、在线广告和市场营销等多个领域的观测数据的因果关系进一步的理解异常重要。然而目前现有的因果效果评估方法主要集中在源特定和固定的观测数据上，缺乏对数据连续性、领域适配性以及海量数据的易用性等问题 - 基于图形因果模型的数据驱动因果效应估计：一项调查
本文综述了通过基于图形因果模型的搜索策略，发现因果效应相关有用知识的数据驱动方法，重点讨论这些方法面临的挑战，探讨了方法的假设、优点和局限性，希望这篇文章能够激励更多的研究人员设计更好的数据驱动方法来解决因果效应估计等领域的实际问题。